[發明專利]一種基于非電量及多維度場景的電量預測方法

有效

• 申請號: 202011227852.6
• 申請日: 2020-11-06
• 公開（公告）號: CN112330024B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 穆永強;梅迪;郭尚民;李雍睿;郭志彤;于海洋;禹加;蘇蠡
• 申請（專利權）人: 國網遼寧省電力有限公司;國網遼寧省電力有限公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0639;G06Q10/067;G06Q50/06
• 代理公司: 鞍山嘉訊科技專利事務所(普通合伙) 21224
• 代理人: 張群

1.一種基于非電量及多維度場景的電量預測方法，其特征在于，其步驟包括：

S1,通過EMD?Empirical?Mode?Decomposition，EMD方法將頻率高、規律不明顯的原始序列分解為相互獨立、相對簡單且規律更明顯的若干分量序列，為各分量分別搭建多因素灰色預測模型，從而更好的捕捉各行業電量曲線的特征；

使用EMD方法的詳細操作表示為：

(1)令x(t)為原始電量時間序列，對x(t)進行初始化后獲取其全部的局部極大值點以及局部極小值點，根據這兩類極值點分別進行三次樣條函數插值連接，相應地得到兩條光滑的曲線，即為原始電量曲線的下包絡線e_low(t)和上包絡線e_up(t)；

(2)根據上包絡線e_up(t)和下包絡線e_low(t)計算其平均值：

(3)基于原始電量數據時間序列x(t)與上下包絡線的均值函數m₁(t)，計算兩者的差值函數h₁(t)：

h₁(t)＝x(t)-m₁(t)?????????????????????(2)

(4)若差值函數h₁(t)符合本征模函數的定義，則視其為第一個IMF?Intrinsic?ModeFunction，IMF分量且具備電量時間序列中的最高頻率部分；若h₁(t)不滿足成為本征模函數的要求，則其仍將被視為原始電量的時間序列，多次操作上述步驟(1)至步驟(3)，使得在經過k次迭代后，差值函數h₁^k(t)能夠達到作為第一個IMF分量的標準，將其記作：

α_IMF1(t)＝h₁^k(t)??????????????????????(3)

為描述h₁^k(t)是否達到上述標準，采用設置標準差S_D的閾值來確定重復操作的終點，其中S_D定義為：

式中，為的包絡線均值函數，標準差S_D閾值的設定一般為0.2～0.3；

(5)將第一個IMF分量α_IMF1(t)從原始電量時間序列x(t)中剝離開，從而計算x(t)的剩余分量函數r₁(t)，記為：

r₁(t)＝x(t)-a_IMF1(t)???????????????????(5)

(6)進行下一個IMF分量的提取，即令剩余分量函數r₁(t)為新的電量時間序列并重復操作步驟(1)至步驟(5)，使得k次迭代后剩余分量函數r_k(t)的幅值小于系統閾值或最后一次的殘余分量r_n(t)單調或值為常數時則迭代停止，列出原始電量序列x(t)的所有IMF分量和殘余分量，記為：

其中：r_n(t)單調，此時將其命名為殘差分量；本征模函數的數量n由原始電量時間序列以及系統閾值的設置來決定，則原始電量時間序列x(t)分解為若干IMF分量和一個殘差分量進行疊加：

重復以上步驟，將各行業的原始電量時間序列進行分解，得到基于行業用電特性的行業電量分解結果；針對不同的行業類別，分別對其各分量函數建立多因素灰色預測模型預測行業電量；

S2,進行非電量因素類別的選取，

(1)經濟發展水平和經濟結構調整的影響；

(2)電價政策的影響；

(3)氣溫氣候的影響；

(4)節假日的影響；

(5)政策因素的影響；

對上述影響電量的指標因素選取以下3個方面進行篩選；

分別考察月度電量時間序列、年度電量時間序列和同時間間隔的其它非電量時間序列之間的相關關系，關聯程度過低的因素不納入下一步的考慮；

從非電量因素實際收集情況出發，對于數據收集難度大或數據缺失的指標參數進行篩選；氣候指標參數、負荷指標參數以及經濟指標參數均易于獲取，而電價指標參數、政策指標參數難以量化或收集；

擬選擇各指標間的相關系數反映指標間的相互關聯程度，通過相關性分析，減少重復指標，從而優化聚類指標體系，簡化算例計算；指標間的相關系數計算公式如下：

式中:E(x)、E(y)與E(xy)分別表示指標x、y和x與y乘積的期望；D(x)、D(y)分別表示指標x、y的方差；

S3,建立基于EMD分解和改進的GM(1,N)模型的預測算法步驟如下：

(1)數據預采集：包括GM(1,N)模型因變量各行業電量序列；

(2)敏感行業確定：根據式(4-12)計算各自變量與因變量的灰色關聯系數γ_1i，篩選灰色關聯系數均滿足要求的行業作為外界因素敏感型行業；

(3)基于EMD方法，將各類用外界因素敏感型電行業的電量時間序列分解為若干IMF分量和一個殘差分量；

(4)基于各分量特性分別建立改進GM(1,N)模型進行預測，該模型的具體操作步驟將在后文中進行詳細介紹；

(5)疊加各模態分量的預測結果，得到行業電量的最終預測結果，重復操作步驟(3)～步驟(5)，得到各類行業電量的最終預測結果；

(6)疊加各行業的預測結果，得到總電量的最終預測結果；

S4,詳細的改進GM(1,N)算法步驟：

(1)中間參數計算：根據定義計算因變量自變量組合矩陣的GO序列和緊鄰均值序列

(2)模型參數修正：在傳統GM(1,N)模型的基礎上引入線性修正系數h1和灰色作用量h2，根據式(4-16)生成改進灰色參數矩陣p^以及矩陣B；

(3)改進GM(1,N)模型構建：根據式(4-17)和(4-18)，計算參數μ1，μ2，μ3，μ4的值，形成改進GM(1,N)模型；

(4)數值擬合和誤差計算：由上式計算行業電量的預測值對比電量實際值得到預測相對誤差；

S5,根據灰色關聯度計算確定非電量因素敏感型行業：

根據篩選出的非電量因素，計算其時間序列與各類用電行業電量時間序列的灰色關聯度，并選出外界因素敏感型用電行業。